周一早上八点，品质例会上摆着两件事：上周客诉里有一半是外观划伤漏检，客户要求三天内给整改报告；同时计划员说这周插单太多，白板已经擦了三遍，谁也说不清哪台机先做。会议室里没人反对上 AI，但所有人心里都在问同一个问题：从哪儿下手，多久能见效。
对中小企业来说，AI 不是要不要做的问题，而是先做哪一块。质检和排产恰好是最值得优先考虑的两个切入口：它们每天都在产生数据，问题可被量化，改善能直接反映在返工率、交付准时率和加班工时上，不需要等三年数字化蓝图完成才能开始。
误区一：先买相机，再想场景
常见的做法是先采购一套视觉硬件，再回头找能检测什么。结果设备到位后，发现现场光照不稳定、产品型号频繁切换、缺陷样本不足，项目停在调参阶段。质检 AI 的第一步不是买设备，而是把「要拦住的缺陷」列清楚：哪些缺陷会造成客诉，哪些只是内部返工，优先级完全不同。
另一个误区是把 AI 质检当成替代质检员。更现实的目标是让人从全检的重复劳动中退出，转向复核疑难件和处理异常。判断标准很简单：如果一套方案能稳定拦住高价值缺陷，并让复核工作量下降到可接受范围，它就已经在创造利润，而不是在讲概念。
误区二：排产要一步到位全自动
排产比质检更容易被理想化。很多负责人期待系统一键生成最优计划，实际却发现订单变更、设备故障、物料迟到每天都在发生，任何静态最优解都会很快失效。真正有价值的不是「算得最漂亮」，而是当变化发生时，计划员能在几分钟内看到影响范围并做出取舍。
因此评估排产方案时，建议少问「算法多先进」，多问三个问题：换型时间是否被真实建模？插单后能否快速重排并给出交期影响？计划员能否看懂并手动干预？能回答这三点，系统才可能被现场真正用起来，而不是沦为又一张没人看的报表。
趋势：AI 正从单点工具走向现场协同
过去两年，制造业 AI 的重心正在从「单点识别」转向「现场协同」。质检不再只是输出合格或不合格，而是把缺陷类型、位置、批次关联起来，反推到工艺参数；排产也不再只是生成计划，而是把设备状态、人员班次、物料到位情况纳入同一个可调整的视图。这对中小企业的意义是：不必建大平台，也能先在一个车间里跑通闭环。
另一个变化是交付方式。过去上系统意味着长周期实施和高额前期投入，现在更常见的是先在一条产线、一个班组做轻量验证，用真实数据证明效果，再决定是否扩展。这种「小步验证、按效果扩展」的节奏，更符合中小企业的现金流和管理承受力。
可执行动作一：用两周做一次缺陷清单盘点
第一个动作不需要预算审批，只需要品质、工艺和一线班组长坐在一起，把最近三个月的客诉和返工记录摊开，列出排名前十的缺陷类型，标注每类缺陷的发生频次、单次损失和当前检出方式。这份清单会直接告诉你：哪些缺陷值得用 AI 去拦，哪些应该先改工艺或来料。
盘点时建议加一列「误判代价」：漏检的代价和误杀良品的代价往往不对称。比如外观件漏检可能导致整批退货，而误杀只是多一次复检。把这个不对称写清楚，后续设定判定阈值时就不会陷入「准确率必须 99%」的空泛争论，而是围绕业务损失做取舍。
可执行动作二：给排产设一个可观测指标
第二个动作是选一个能每周看到的指标，例如计划达成率、平均换型次数或紧急插单占比，连续记录四周作为基线。很多企业说不清排产好坏，是因为从来没有基线。有了基线，任何工具的价值都能被验证：是换型次数下降了，还是交付准时率提升了，一目了然。
基线建立后，再引入辅助排产能力会顺畅得多。正易龙在制造业场景中的做法，是先把订单、工艺路线、设备能力和班次约束整理成可计算的结构，再让系统给出建议方案，由计划员确认或调整。人仍然掌握决策权，系统承担的是快速试算和影响推演，这比追求全自动更容易被现场接受。
场景：一条产线的四周验证路径
一个典型的轻量路径是这样的：第一周完成缺陷清单和现场光照、工位改造；第二周采集样本并训练初始模型，同时确定复核流程；第三周小批量并行运行，人工与系统同时判定，记录分歧；第四周复盘分歧原因，调整阈值和样本，再决定是否扩大范围。整个过程不追求大而全，只追求在一个点上跑出可信数据。
排产的验证可以并行进行：用历史订单回放的方式，把过去一个月的插单和故障输入系统，对比系统建议与实际决策的差异。这种回放不需要停线，也不影响交付，却能在两周内让管理层看清系统的判断逻辑是否贴合现场。